NVIDIA Rubin เข้าสู่การผลิตเต็มรูปแบบ: GPU 336 พันล้านทรานซิสเตอร์ที่กำลังเปลี่ยนโฉมโครงสร้างพื้นฐาน AI

Jensen Huang ส่งมอบประกาศที่พลิกความคาดหวังของอุตสาหกรรมที่ CES 2026: แพลตฟอร์ม Rubin ของ NVIDIA ได้เข้าสู่การผลิตเต็มรูปแบบแล้ว ไม่ใช่ sampling ไม่ใช่ qualification การผลิตเต็มรูปแบบ—โดยมีเป้าหมายจัดส่งจำนวนมากในครึ่งหลังของปี 2026

ช่วงเวลานี้ทำให้นักวิเคราะห์ตกใจ ที่ได้คาดการณ์ต้นปี 2027 สำหรับความพร้อมใช้งานของ Rubin NVIDIA ดำเนินวงจรการพัฒนาเชิงรุก 18 เดือนจากการเปิดตัว Blackwell สู่การผลิต Rubin บีบอัดสิ่งที่โดยทั่วไปใช้เวลา 24-30 เดือนในการพัฒนาเซมิคอนดักเตอร์

Rubin แทนมากกว่าการอัปเกรด GPU แบบเพิ่มขึ้น แพลตฟอร์มนี้แนะนำสถาปัตยกรรมหกชิปที่สมบูรณ์ที่ออกแบบสำหรับยุค AI แบบ agentic—ที่ workload inference ครอบงำและต้นทุนต่อโทเค็นกำหนดความเป็นไปได้ทางการค้า ผู้ให้บริการคลาวด์รายใหญ่และห้องปฏิบัติการ AI ทุกแห่งได้ให้คำมั่นในการใช้งานแล้ว

GPU Rubin: 336 พันล้านทรานซิสเตอร์ของความหนาแน่นการคำนวณ

GPU Rubin ผลักดันวิศวกรรมเซมิคอนดักเตอร์ไปสู่ขีดจำกัดใหม่ ด้วย 336 พันล้านทรานซิสเตอร์ที่ผลิตบนกระบวนการ N3 ของ TSMC Rubin เกือบเป็นสองเท่าของจำนวน 208 พันล้านทรานซิสเตอร์ของ Blackwell ในขณะที่รักษา envelope พลังงานที่คล้ายกันผ่านการปรับปรุงประสิทธิภาพสถาปัตยกรรม¹

ข้อมูลจำเพาะหลัก

ระบบย่อยหน่วยความจำแทนความก้าวหน้าที่สำคัญที่สุดของ Rubin การรวม HBM4 ให้ความจุ 288GB ต่อ GPU พร้อมแบนด์วิดท์ 22 TB/s—ทำให้ inference บนโมเดลที่เกิน 1 ล้านล้านพารามิเตอร์โดยไม่มีบทลงโทษ latency ของการกระจายหลายโหนด²

NVLink 6 ให้แบนด์วิดท์สองทิศทาง 3.6 TB/s ต่อ GPU การปรับปรุง 50% เหนือ NVLink 5 แบนด์วิดท์ interconnect นี้พิสูจน์ว่าสำคัญสำหรับสถาปัตยกรรม mixture-of-experts ที่การตัดสินใจการกำหนดเส้นทาง expert ต้องเสร็จสิ้นภายในไมโครวินาที³

นวัตกรรมสถาปัตยกรรม

Rubin แนะนำ Transformer Engines รุ่นที่สี่ที่ปรับให้เหมาะสมสำหรับกลไก attention ที่ครอบงำสถาปัตยกรรม AI สมัยใหม่ เอนจิ้นเหล่านี้รองรับการปรับขนาดความแม่นยำแบบไดนามิก—เลือกการคำนวณ FP4, FP8 หรือ FP16 โดยอัตโนมัติตามข้อกำหนดของเลเยอร์โดยไม่ต้องมีการแทรกแซงซอฟต์แวร์⁴

GPU รวมฮาร์ดแวร์เฉพาะสำหรับ speculative decoding เทคนิคที่เร่งการสร้าง autoregressive โดยทำนายหลายโทเค็นพร้อมกัน NVIDIA อ้างการเร่ง inference 3-4 เท่าสำหรับ workload AI สนทนาที่อัตราความสำเร็จ speculative decoding เกิน 70%⁵

การปรับปรุง memory coherency ช่วยให้การแชร์ tensor แบบ zero-copy ข้าม GPU cluster สถาปัตยกรรมก่อนหน้าต้องการการถ่ายโอนหน่วยความจำที่ชัดเจนระหว่าง GPU ระหว่าง inference แบบกระจาย—Rubin กำจัด overhead นี้ผ่านโดเมน coherency ที่จัดการโดยฮาร์ดแวร์ที่ครอบคลุมถึง 576 GPU⁶

CPU Vera: สร้างมาเฉพาะสำหรับดาต้าเซ็นเตอร์ AI

Rubin ถูกใช้งานควบคู่กับ Vera CPU แบบกำหนดเองตัวแรกของ NVIDIA ที่ออกแบบมาเฉพาะสำหรับโครงสร้างพื้นฐาน AI Vera ละทิ้งความอเนกประสงค์ในการคำนวณเพื่อการเคลื่อนย้ายข้อมูลที่เหมาะสมที่สุดและการประสานงานสำหรับ workload AI⁷

ข้อมูลจำเพาะ Vera

Interface NVLink ของ Vera เชื่อมต่อโดยตรงกับ GPU Rubin ที่ 1.8 TB/s—สองเท่าของแบนด์วิดท์ของ Grace การเชื่อมต่อที่แน่นหนานี้ช่วยให้การถ่ายโอนข้อมูล CPU-GPU ที่ความเร็วหน่วยความจำ กำจัดคอขวด PCIe ที่รบกวนการคำนวณแบบ heterogeneous⁸

CPU รวมเอนจิ้น DMA เฉพาะสำหรับการดำเนินการ checkpoint และ restore การฝึกโมเดลภาษาขนาดใหญ่ต้องการ snapshot สถานะเป็นระยะสำหรับความทนทานต่อความผิดพลาด—Vera ดำเนินการเหล่านี้แบบ asynchronous โดยไม่ขัดจังหวะการคำนวณ GPU⁹

Vera Rubin NVL72: ซูเปอร์คอมพิวเตอร์อ้างอิง

NVIDIA รวม Rubin และ Vera เป็น Vera Rubin NVL72—ระบบขนาด rack ที่มี 72 GPU Rubin และ 36 CPU Vera ที่ทำงานเป็น compute fabric แบบรวม¹⁰

ข้อมูลจำเพาะระบบ

รวม 20.7 TB ของหน่วยความจำ HBM4 ช่วยให้ inference ระบบเดียวสำหรับโมเดลที่มี 10+ ล้านล้านพารามิเตอร์โดยไม่มี overhead ของ model parallelism สถาปัตยกรรมก่อนหน้าต้องการการกระจาย tensor parallel ข้ามหลาย rack—NVL72 รวมสิ่งนี้เป็นระบบเดียว¹¹

การอ้างลดต้นทุน 10 เท่า

การอ้างหลักของ NVIDIA เรื่องการลดต้นทุน inference 10 เท่าเมื่อเทียบกับ Blackwell ต้องการการตรวจสอบ การคำนวณรวมหลายปัจจัย:¹²

การปรับปรุงการคำนวณดิบ: 2.57x FP4 FLOPS มากกว่าต่อระบบ

ความจุหน่วยความจำ: 1.5x HBM มากกว่าช่วยให้ batch size ใหญ่ขึ้น ปรับปรุงการใช้ GPU จากปกติ 60% เป็น 85%+

ประสิทธิภาพ Interconnect: NVLink 6 ลด overhead การสื่อสารใน tensor parallel inference 40%

Speculative Decoding: การเร่งด้วยฮาร์ดแวร์ให้การปรับปรุง throughput 3-4 เท่าสำหรับ workload สนทนา

ประสิทธิภาพพลังงาน: ประสิทธิภาพต่อวัตต์ปรับปรุง 2.2x ลดต้นทุนการดำเนินงาน

ผลรวมเข้าใกล้ 10 เท่าสำหรับ workload inference ที่ปรับให้เหมาะสม การปรับปรุงต้นทุนการฝึกเจียมเนื้อเจียมตัวกว่า—NVIDIA อ้างการปรับปรุง 3-4 เท่าสำหรับการฝึกแบบกระจายขนาดใหญ่¹³

ไทม์ไลน์การผลิตและความพร้อมใช้งาน

การเพิ่มการผลิตของ NVIDIA ตามตารางเวลาที่เร่งรัดที่ท้าทายไทม์ไลน์เซมิคอนดักเตอร์แบบเดิม:

เหตุการณ์สำคัญการผลิต

ผู้ให้บริการคลาวด์ได้รับการจัดสรรลำดับความสำคัญ AWS, Microsoft Azure, Google Cloud, Oracle Cloud และ CoreWeave ได้รับความจุเริ่มต้น—อาจใช้ปริมาณการผลิต 6-9 เดือนแรก¹⁴

ลูกค้าองค์กรเผชิญกับเวลานำที่ขยาย NVIDIA จัดสรร 60-70% ของการผลิต GPU ใหม่ให้กับ hyperscaler ในปีแรกตามประวัติศาสตร์ โดยลูกค้าองค์กรและรัฐบาลแข่งขันกันเพื่อความจุที่เหลือ¹⁵

การพิจารณาห่วงโซ่อุปทาน

กระบวนการ N3 ของ TSMC นำเสนอข้อจำกัดด้านความจุ โหนดยังรองรับโปรเซสเซอร์ล่าสุดของ Apple และซีรีส์ MI400 ของ AMD—สร้างการแข่งขันสำหรับความจุ wafer ขั้นสูง NVIDIA ได้รับข้อตกลงความจุระยะยาว แต่เพดานการผลิตอาจจำกัดผลผลิตปี 2026 ที่ 200,000-300,000 GPU Rubin¹⁶

อุปทาน HBM4 แทนคอขวดอีกอัน SK Hynix และ Samsung เริ่มการผลิตจำนวนมาก HBM4 ใน Q4 2025 แต่ yield ยังคงต่ำกว่าระดับ HBM3e ที่เติบโต GPU Rubin แต่ละตัวต้องการ 288GB HBM4—ประมาณ 6 เท่าของหน่วยความจำต่อเครื่องเมื่อเทียบกับ GPU ผู้บริโภค¹⁷

ข้อกำหนดโครงสร้างพื้นฐานการทำความเย็นและพลังงาน

Vera Rubin NVL72 ต้องการการทำความเย็นด้วยของเหลว 100%—การกำหนดค่าแบบระบายความร้อนด้วยอากาศไม่มีอยู่ ดาต้าเซ็นเตอร์ต้องใช้โครงสร้างพื้นฐานการทำความเย็นด้วยของเหลวแบบ direct-to-chip ก่อนรับระบบ Rubin¹⁸

ข้อมูลจำเพาะการทำความเย็น

การเปลี่ยนไปใช้การทำความเย็นด้วยของเหลวแทนค่าใช้จ่ายทุนที่สำคัญสำหรับสิ่งอำนวยความสะดวกที่ออกแบบรอบการทำความเย็นด้วยอากาศ ค่า retrofit มีตั้งแต่ $500 ถึง $1,500 ต่อ kW ขึ้นอยู่กับโครงสร้างพื้นฐานที่มีอยู่—เพิ่ม $60,000-$195,000 ต่อ rack Rubin สำหรับโครงสร้างพื้นฐานการทำความเย็นเพียงอย่างเดียว¹⁹

การกระจายพลังงาน

ระบบ Rubin รองรับสถาปัตยกรรมพลังงาน DC 800V ใหม่ของ NVIDIA การเบี่ยงเบนจากมาตรฐานการกระจาย 48V ในการออกแบบดาต้าเซ็นเตอร์ก่อนหน้า:²⁰

การกระจายแรงดันไฟฟ้าสูงกว่าลดการสูญเสียตัวนำและมวลสาย ชดเชยค่าประกันภัยการติดตั้งภายใน 18-24 เดือนสำหรับการใช้งานความหนาแน่นสูง NVIDIA คาดว่า 800V DC จะกลายเป็นมาตรฐานสำหรับดาต้าเซ็นเตอร์ AI ภายในปี 2028²¹

Roadmap Rubin Ultra

Jensen Huang แสดงตัวอย่าง Rubin Ultra กำหนดการสำหรับปี 2027 รุ่นที่ปรับปรุงนี้เพิ่มความหนาแน่นการคำนวณเป็นสองเท่าในขณะที่รักษาความเข้ากันได้กับ rack NVL72:²²

ข้อมูลจำเพาะ Rubin Ultra (ตัวอย่าง)

ข้อกำหนดพลังงาน rack 600 kW ต้องการตัวแลกเปลี่ยนความร้อน rear-door หรือหน่วยกระจายความเย็นเฉพาะ—โครงสร้างพื้นฐานที่สิ่งอำนวยความสะดวกที่มีอยู่ส่วนใหญ่ไม่สามารถรองรับได้ Rubin Ultra ต้องการดาต้าเซ็นเตอร์ที่สร้างขึ้นโดยเฉพาะที่ออกแบบสำหรับความหนาแน่นเฉลี่ย 80+ kW ต่อตู้อย่างมีประสิทธิภาพ²³

ตำแหน่งการแข่งขัน

Rubin เข้าสู่การผลิตในขณะที่ AMD และ Intel เร่งโปรแกรม AI accelerator ของพวกเขา ภูมิทัศน์การแข่งขันเปลี่ยนแปลงอย่างมากจากส่วนแบ่งตลาด 95%+ ของ NVIDIA ในปี 2023

การเปรียบเทียบ AMD MI455X

MI455X ของ AMD ประกาศควบคู่กับ Rubin ที่ CES 2026 กำหนดเป้าหมายตลาดโครงสร้างพื้นฐาน AI ระดับสูงเดียวกัน:²⁴

ความได้เปรียบความจุหน่วยความจำของ AMD—432GB เทียบกับ 288GB—ช่วยให้ inference บนโมเดลขนาดใหญ่ขึ้นโดยไม่ต้องมี tensor parallelism NVIDIA ตอบโต้ด้วยแบนด์วิดท์ interconnect ที่เหนือกว่าผ่าน NVLink 6 ซึ่งไม่มีเทียบเท่าจาก AMD²⁵

Lock-in ระบบนิเวศซอฟต์แวร์

moat การแข่งขันของ NVIDIA ขยายเกินกว่าซิลิคอน การพัฒนาระบบนิเวศ 18 ปีของ CUDA สร้างต้นทุนการเปลี่ยนแปลงที่ประสิทธิภาพฮาร์ดแวร์ดิบไม่สามารถเอาชนะได้:²⁶

• การเพิ่มประสิทธิภาพ Framework: ทีม PyTorch และ TensorFlow ให้ความสำคัญกับการเพิ่มประสิทธิภาพ CUDA
• ความลึกของ Library: cuDNN, cuBLAS, TensorRT เสนอ kernel ที่ปรับให้เหมาะสมหลายพัน
• ความคุ้นเคยของนักพัฒนา: ประมาณ 4 ล้านนักพัฒนา CUDA ทั่วโลก
• การสนับสนุนองค์กร: stack ซอฟต์แวร์องค์กรที่ครอบคลุม

ROCm ของ AMD ได้ลดช่องว่างอย่างมาก แต่ความได้เปรียบซอฟต์แวร์ของ NVIDIA ยังคงอยู่ในการใช้งานจริงที่ความน่าเชื่อถือเอาชนะประสิทธิภาพสูงสุด²⁷

คำมั่นสัญญาของลูกค้า

ลูกค้าโครงสร้างพื้นฐาน AI รายใหญ่ทุกรายให้คำมั่นในการใช้งาน Rubin:

ผู้ให้บริการคลาวด์

ห้องปฏิบัติการ AI

รายชื่อลูกค้าที่ครอบคลุมกำจัดความไม่แน่นอนของความต้องการ—NVIDIA จะขาย GPU Rubin ทุกตัวที่สามารถผลิตได้จนถึงปี 2027²⁸

ผลกระทบโครงสร้างพื้นฐานดาต้าเซ็นเตอร์

การใช้งาน Rubin ต้องการการลงทุนโครงสร้างพื้นฐานที่ขยายเกินกว่าการจัดซื้อ GPU:

Checklist โครงสร้างพื้นฐาน

องค์กรที่วางแผนการใช้งาน Rubin ควรเริ่มโครงการโครงสร้างพื้นฐานทันที ไทม์ไลน์การก่อสร้าง 12-18 เดือนสำหรับ retrofit การทำความเย็นด้วยของเหลวไม่สอดคล้องกับความพร้อมใช้งาน Rubin H2 2026—สิ่งอำนวยความสะดวกที่ยังไม่อยู่ในการพัฒนาจะเผชิญกับความล่าช้าในการใช้งานที่ขยายไปถึงปี 2027-2028²⁹

ต้นทุนรวมของการเป็นเจ้าของ

การคำนวณ TCO ของ Rubin เปิดเผยต้นทุนโครงสร้างพื้นฐานที่เทียบเท่าค่าใช้จ่าย GPU:

ต้นทุนการดำเนินงานรายปีเพิ่มอย่างมากต่อ TCO:

การลดต้นทุน inference 10 เท่าชดเชยการลงทุนเหล่านี้สำหรับองค์กรที่มีขนาด workload เพียงพอ—แต่ต้องใช้ GPU 70%+ เพื่อบรรลุเศรษฐศาสตร์ที่โฆษณา³⁰

ผลกระทบต่อการพัฒนา AI

ลักษณะประสิทธิภาพของ Rubin เปลี่ยนรูปความเป็นไปได้ในการพัฒนา AI:

ขนาดโมเดล

รวม 20.7 TB HBM ในระบบ NVL72 ช่วยให้ inference ระบบเดียวสำหรับโมเดลที่มี 10+ ล้านล้านพารามิเตอร์ ความสามารถนี้รองรับสถาปัตยกรรมรุ่นถัดไปที่รวม expert เฉพาะทางหลายตัว—โมเดล Mixture-of-Experts ที่มี 100+ expert กลายเป็นเรื่องปฏิบัติได้³¹

เศรษฐศาสตร์ Inference

การลดต้นทุน 10 เท่าเปลี่ยนเศรษฐศาสตร์ AI บริการที่ปัจจุบันอยู่ชายขอบที่ $0.01/1K token กลายเป็นกำไรที่ $0.001/1K token การเปลี่ยนแปลงราคานี้ช่วยให้การรวม AI ในแอปพลิเคชันปริมาณสูง margin ต่ำที่ก่อนหน้านี้มีต้นทุนสูงเกินไป:³²

• การวิเคราะห์วิดีโอแบบเรียลไทม์
• ระบบตรวจสอบต่อเนื่อง
• สัญญาณการซื้อขายความถี่สูง
• การสร้างเนื้อหาส่วนบุคคลในขนาดใหญ่

ประสิทธิภาพการฝึก

การปรับปรุงต้นทุนการฝึก แม้ว่าจะน้อยกว่า inference ยังคงเร่งการพัฒนา AI อย่างมีความหมาย โมเดลที่ต้องการ $100 ล้านในการคำนวณ Blackwell อาจมีราคา $25-33 ล้านบน Rubin—ช่วยให้มีการทดลองซ้ำมากขึ้นภายในงบประมาณวิจัยคงที่³³

สิ่งนี้หมายความว่าอย่างไรสำหรับผู้ประกอบการดาต้าเซ็นเตอร์

การผลิต Rubin แทนจุดเปลี่ยนสำหรับกลยุทธ์โครงสร้างพื้นฐาน AI:

ลงมือตอนนี้เรื่องโครงสร้างพื้นฐาน: การทำความเย็นด้วยของเหลวและการอัปเกรดพลังงานต้องการเวลานำ 12-18 เดือน องค์กรที่รอความพร้อมใช้งาน Rubin ก่อนเริ่มโครงการโครงสร้างพื้นฐานจะเผชิญกับความล่าช้าในการใช้งานที่ขยายไปถึงปี 2027-2028

รับประกันความจุแต่เนิ่นๆ: Hyperscaler จะใช้ปริมาณการผลิตเริ่มต้น ลูกค้าองค์กรควรสร้างความสัมพันธ์ในการจัดซื้อและการจองความจุทันที

วางแผนสำหรับความหนาแน่น: ระบบ Rubin ต้องการขั้นต่ำ 120+ kW ต่อ rack สิ่งอำนวยความสะดวกที่ออกแบบรอบความหนาแน่นเฉลี่ย 10-20 kW ไม่สามารถรองรับ workload AI ได้โดยไม่มีการออกแบบใหม่ขั้นพื้นฐาน

ประเมินเศรษฐศาสตร์รวม: ต้นทุน GPU ดิบแทนเพียง 60-70% ของค่าใช้จ่ายในการใช้งาน การลงทุนโครงสร้างพื้นฐานและต้นทุนการดำเนินงานส่งผลกระทบอย่างมากต่อ TCO จริง

องค์กรที่ตระหนักถึงข้อจำกัดโครงสร้างพื้นฐานเป็นข้อจำกัดที่ผูกมัด—ไม่ใช่ความพร้อมใช้งาน GPU—จะจับความได้เปรียบในการแข่งขันในการใช้งาน AI ประกาศการผลิต Rubin เร่งไทม์ไลน์ทั่วทั้งอุตสาหกรรม

ผู้ที่เตรียมพร้อมสำหรับช่วงเวลานี้พร้อมที่จะใช้งาน ผู้ที่ไม่ได้เตรียมเผชิญกับความเป็นจริงที่น่าตกใจ: ช่องว่างโครงสร้างพื้นฐานไม่สามารถปิดได้ในไม่กี่เดือน

Introl เชี่ยวชาญในโครงสร้างพื้นฐานดาต้าเซ็นเตอร์สำหรับ workload AI รวมถึงการใช้งานการทำความเย็นด้วยของเหลว การกระจายพลังงานความหนาแน่นสูง และการรวม GPU cluster วิศวกรภาคสนาม 550 คนของเราสนับสนุนการใช้งานใน 257 สถานที่ทั่วโลก ติดต่อเรา เพื่อหารือเกี่ยวกับข้อกำหนดโครงสร้างพื้นฐาน Rubin ของคุณ

เอกสารอ้างอิง